首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

把股票分成几类

股票可以根据不同的分类标准进行分组。以下是常见的股票分类:

  1. 按照公司规模分类:
    • 大盘股:指市值较大的公司股票,通常是指市值在数十亿美元以上的公司。
    • 中盘股:指市值较中等的公司股票,通常是指市值在数十亿美元到数百亿美元之间的公司。
    • 小盘股:指市值较小的公司股票,通常是指市值在数十亿美元以下的公司。
  • 按照行业分类:
    • 金融股:包括银行、保险、证券等金融机构的股票。
    • 制造业股:包括汽车、电子、航空航天、化工等制造业公司的股票。
    • 科技股:包括计算机、互联网、软件、半导体等科技公司的股票。
    • 医疗保健股:包括制药、医疗设备、医疗服务等医疗保健行业的股票。
    • 能源股:包括石油、天然气、煤炭等能源公司的股票。
    • 零售业股:包括百货商店、超市、电商等零售业公司的股票。
  • 按照股票性质分类:
    • 普通股:普通股是公司的普通股份,持有普通股的股东享有公司分红和投票权。
    • 优先股:优先股是具有优先分红权和优先清算权的股票,通常不具有投票权。
  • 按照交易所分类:
    • A股:指在中国内地上市交易的股票,如上海证券交易所和深圳证券交易所的股票。
    • 港股:指在香港交易所上市交易的股票。
    • 美股:指在美国证券交易所上市交易的股票,如纳斯达克和纽约证券交易所的股票。
  • 按照风险程度分类:
    • 成长股:指具有较高增长潜力但风险较高的股票。
    • 价值股:指估值相对较低且具有稳定盈利能力的股票。
    • 蓝筹股:指具有较高市值、较低风险和较稳定盈利的股票。

以上是股票的一些常见分类,不同的分类标准可以根据投资者的需求和投资策略进行选择。腾讯云并没有直接提供与股票分类相关的产品或服务。

页面内容是否对你有帮助?
有帮助
没帮助

相关·内容

Win11怎么C盘分成几个盘?

这种情况下,电脑使用时间久了会遇到一个常见问题:C盘空间不足或是需要将C盘分成多个部分以便更好地管理文件和数据。本文将详细介绍如何在Win11系统中将C盘分成多个分区,帮助您轻松完成磁盘管理。...在开始具体操作之前,我们先来了解一下为什么有些用户需要将C盘分成多个分区。首先,为了更好的管理文件。通过将C盘分成多个分期,我们可以系统文件和个人文件分开保存,便于数据管理。...所以,数据分布到不同的分区,可以大大降低这种风险,增强数据的安全性。最后,还可以优化硬盘空间的利用率。...在实际进行分区操作之前,有几项准备工作是非常重要的,比如:备份重要数据:尽管本文介绍的分区操作不会直接导致数据丢失,但是,为了安全起见,建议在操作前要对重要数据进行备份,比如,重要数据备份到其他硬盘、...方法二、使用分区工具软件将C盘拆分成两个分区除了使用磁盘管理器,还可以使用第三方的分区软件直接将C盘拆分成两个分区。这些软件的操作方式大同小异,基本都支持无损分区调整。

9610

Python列表中的数字尽量等分成n份

问题描述:假设一个列表中含有若干整数,现在要求将其分成n个子列表,并使得各个子列表中的整数之和尽可能接近。...下面的代码并没有使用算法,而是直接将原始列表分成n个子列表,然后再不断地调整各个子列表中的数字,从元素之和最大的子列表中拿出最小的元素放到元素之核最小的子列表中,重复这个过程,知道n个子列表足够接近为止...为原始列表,内含若干整数,n为拟分份数 threshold为各子列表元素之和的最大差值''' length = len(lst) p = length // n #尽量原来的...lst列表中的数字等分成n份 partitions = [] for i in range(n-1): partitions.append(lst[i*p:i*p+p]) else...元素之和最大的子列表和最小的子列表 maxLst = max(partitions, key=sum) minLst = min(partitions, key=sum) #大的子列表中最小的元素调整到小的子列表中

3.2K80
  • 量化交易中,如何快速股票代码转换成Int整形?

    最近笔者在量化交易的大神沟通中,收到这样一个需求,需要快速股票代码转换成整形变量,也就是需要把新收到的股票交易信息,迅速与历史的股票信息结合起来,从而通过交易策略快速决策。...由于量化交易速度就是生命线,因此直接通过股票代码去在数据库中查询到同一股票的历史数据对于这个场景来说就太慢了。...目前来说比较通行的做法就是股票代码直接映射成整 形,而映射之后的这个整形又是历史数据的内存地址,这样才是效果比较高的做法。...需要转换的股票代码数量不过两万:中、美、港、欧等主流市场的上市公司总数量大约在几万这个量级,但是不同的市场一般都要用不同的量化模型策略,同一模型所能跟踪的股票代码连同期货、期权等交易品种的数量一般不会过万...而且考虑到我们需要转换的股票代码数量上限也就是2万个左右,因此我们也需要考虑利用股票代码中的前1到2位建立上级索引,并尽量压缩这个索引的大小,使其能够被加载到L1一级高速缓存中。 2.

    80230

    李想靠微博股票赚了两三倍,只有千

    感谢 @来去之间 的团队优秀表现(最近汽车之家的股票也表现的相当好)。...对于早已实现财务自由的李想来说,千万的进账真的不算什么。他本人是汽车之家的创始人,汽车之家早已在美国上市,现在市值有30多亿美金,在微博上市时市值也在50亿美金左右。...对于李想来说,靠微博股票赚个千万其实不算什么事,毕竟炒股都是闲钱,玩一下而已。不过,如果你以为同时创办过几家公司,持有微博等潜力股并且大赚特赚就是高端炫富的话,那就错了。...李总,来一套吧 然而,李想的回应再一次让围观者们羡慕嫉妒恨: 我前年鲁能七号院北边的两套香醍漫步给卖掉了,2008年5000多元/平米买的。...李想还表示,“股票收益远高于房子,既不限购,也不需要打理,还随时变现。一线城市的房子对于大多数人还是好的投资。”,其认为炒房不如炒股。

    65940

    基金词汇的普及 - ETF和FOF

    投资人可以如买卖股票那么简单地去买卖"标的指数"的ETF,可以获得与该指数基本相同的报酬率。...ETF通常由基金管理公司管理,基金资产为一篮子股票组合,组合中的股票种类与某一特定指数(如上证50指数)包含的成份股票相同,股票数量比例与该指数的成份股构成比例一致。...例如,上证50指数包含中国银行、中国石化等50只股票,上证50指数ETF的投资组合也应该包含中国银行、中国石化等50只股票,且投资比例同指数样本中各只股票的权重对应一致。...换句话说,指数不变,ETF的股票组合不变;指数调整,ETF投资组合要作相应调整。...目前ETF根据投资标的的资产类型或运作模式不同,分为股票ETF、债券ETF、跨境ETF、商品ETF、交易型货币基金几类,各类又细分出多个子类型,各子类型及定义详见相关业务指南。 2.

    31810

    QIML Insight:基于多源特征及机器学习的股票聚类模型

    模型 我们先整体介绍下模型的框架,首先我们预测的目标是两个股票未来收益率的相关系数,所使用的特征是如表2所示的股票各维度的特征,其中包括以下几类股票过去252日的日度收益 股票过去12个月的月度收益...两个股票Returns-Monthly的马氏距离, 两个股票Returns-Monthly的Cosine相似度, 两个股票Factors的马氏距离, 两个股票Factors的Cosine相似度] 比如我们使用...2019年的某股票池中所有股票的特征数据,按照以上方法,可以加工出该股票池中任意两个股票对,如股票i和j的特征,然后再使用2020年的日度收益率计算任意两个股票对,如股票i和j的相关系数。...也就是说层次化聚类时也分成了三个级别,每个级别中对应的聚类的数量与GICS对应,比如第一层聚类数量与GICS的sector的数量一致,也就是11个。...,比如在GISC行业分类体系下,A股票在某个Sector中有N个同属这个Sector的股票;而在XGBoost:ALL+GICS的聚类算法下,A股票在某个Sector中有M个同属这个Sector的股票

    1.3K10

    Optiver波动率预测大赛系列解读二:LightGBM模型及特征工程

    特征构建 基于对金融市场的理解,对于Book数据构建以下几类特征: 价差(price_spread): 买卖的价差(bid-ask spread)。...具体的特征计算逻辑参见下文代码 模型相关 在模型层面,对股票的id编码(用target均值作为编码),也作为特征之一。这样构建了一个适用于所有股票的模型,而不是单个股票对应一个模型。...(file_path) 计算所有股票的特征 作者使用并行计算,并且book和trade的特征合并在一个dataframe,函数的输入是stock_id的列表,代码运行时会根据stock_id...,而不是单个股票对应一个模型。...models scores = 0.0 # validation score gain_importance_list = [] split_importance_list = [] 在上面的代码中,数据集分成

    2.5K31

    Quantopian Risk Model (QRM)

    分成以下两个子模型 ?...首先将所有股票分成两大类 第一类包含房地产投资信托(REITs)、美国存托凭证(ADRs)和流动性差的股票,称为补充股票(complementary stock) 第二类包括剩余的股票,称为正常股票(normal...stock) 对于 N1 只正常股票,我们已知其风格因子载荷,回归得到风格因子收益;假设五个风格因子适用于所有股票(正常股票和补充股票),那么对于 N2 只补充股票,用之前的风格因子收益,回归得到风格因子载荷...在 6 只股票中,假设前 4 只(N1 = 4)是正常股票,后 2 只(N2 = 4)是补充股票,步骤 1 的可视化如下图。 ? 整理成矩阵形式,得到 ?...QRM 所有股票分成正常股票和补充股票 先计算正常股票的风格因子载荷,再用横截面线性回归得到风格因子收益。 假设所有股票的风格因子收益一样,再用时间序列线性回归得到补充股票的风格因子载荷。

    1.2K21

    股票数据挖掘的一些日志

    当然,我们显然可以对数据进行处理,连续的离散化,再把离散的二元化,这样,我们股票连续的数据也难够用APRIORI算法来进行关联规则方面的挖掘了。这里涉及到了一个问题,我们选取股票的哪些数据来做?...百度一下,了解KDJ的内在涵义以后,我们可以很快把K值可以划分成0-10,10-90,90-100,三类,D值划分成0-20,10-80,80-100,三类,J值可以划分成小于10,10-100,100...接下来做了归一化处理,属性值和预测值都控制在了0-1之间,然后做分散数据处理,涨跌幅划分成40个区域,时间上从前往后取,每个区域取5个点,作为训练集,从后往前取,每个区域5个点,作为测试集,这样从数据方面保证神经网络达到最好的效果...我很兴奋地训练好的神经网络拿去跑,随意一支股票,平均绝对误差200%多,换一支,150%,再换一支,300%!这样的实验结果足以说明问题,光从盘口信息上来看,是绝对无法较为准确的预测A股股票涨跌的。...但是如果在数据库外面操作,编程量会提高几倍,另外有一个数据量的问题,200多万行数据,低版本的EXCEL是装不下的,还好EXCEL2007最多可以支持104万行左右,原表分成3份可以解决。

    2K50

    数据离散化及其KMeans算法实现的理解

    01 — 数据离散化 数据离散化是数据预处理的一个非常重要的步骤,就是将连续的数据分成几个段。...举个简单例子,好比我们一个班上的学生成绩是从0-·100分之间的,但是我们在进行数据分析的时候呢我们这些分数分成不及格、及格、良好、优秀四大类,实际上就是将比较连续的分数给离散化成了4种可能取值。...03 — 常用的数据离散化方法 离散化的工作很容易理解,就是依照一定规律写数据给分成少数的几类。那这个规律是什么呢?...第1步,我们在这20个同学里面抽出5个同学作为小组长; 第2步,剩下的15个同学,每个同学都量量他(她)自己和第1步中选定的小组长的距离,自己归到离他(她)最近的那个小组长那一组,经过第2步我们就初步的...从上面两个小结的描述可以看出来,K-Means算法的关键有三点:(1)我们怎么知道要分几类?也就是说这个K是怎么确定的?(2)K确定了后,怎样确定K个初始的中心点呢?

    1.2K30

    R语言做K均值聚类的一个简单小例子

    k-means-clustering-in-r-algorith-and-practical-examples/ k均值聚类是一种比较常用的聚类方法,R语言里做k均值聚类比较常用的函数是kmeans(),需要输入3个参数,第一个是聚类用到的数据,第二个是你想将数据聚成几类...那如果想使用k均值聚类的话,就可以分成两种情况, 第一种是知道我自己想聚成几类,比如鸢尾花的数据集,明确想聚为3类。...第二种情况是我不知道想要聚成几类,这个时候就可以将k值设置为一定的范围,然后根据聚类结果里的一些参数来筛选最优的结果 比如这篇文章 https://www.guru99.com/r-k-means-clustering.html...image.png 从图上看划分成7类有点多了 https://www.datanovia.com/en/lessons/k-means-clustering-in-r-algorith-and-practical-examples...从图上看有部分重叠的地方,还有一种办法就是数据标准化一下 df1<-scale(df) usa.kmeans<-kmeans(df1,centers=4,nstart = 25) fviz_cluster

    2.3K20

    「CDAS 在线」央企财会到数据分析师的华丽转变

    可以客户分成几类,哪些人属于高价值的客户,哪些人属于相对来说一般的。 还有一个与此相关的逻辑回归,看名字很相似,之所以放到一块是因为它最后的展现形式。...回归和逻辑回归通常来说都是综合结合来用的,比如说我们预测出来的金额分成十个档,第一是金额最大的,那么在分析的时候还会有一个问题,这就是种购买金额最高的人,他购买的发生概率是什么?...我们其实不知道这里边有几类,弄到一堆这就是聚类。这对一些未知领域的探索很有帮助,我们在聚类的时候都会把它规划成一圈,在聚类之前做一个分析。这样的话可以降低纬度,避免一些纬度灾难。...做好了聚类之后下面就可以分类了,比如说可分成三堆,又来了一个东西,看看它跟哪个是一堆的,就分类了。其实我们常用的算法,包括前面提到的逻辑回归,到决策树、神经网络都是可以用来分类的。...还有第三类就是时间序列,炒股的话就会发现股票的价格会随着时间的波动而波动。还有销量,从某种意义上讲时间是有相关性的。 数据并不是直接拿过来就能用。

    56160

    【独家重磅】来自华尔街的量化金融面试Q&A(第三期)

    你能不能把硬币分成两堆,以保证两堆硬币正面的数量相等?假设你不能通过触摸硬币来进行正反面的判断,但是你可以翻转任意数量的硬币。...Answer14 假如我们1000枚硬币分成两堆,一堆是n枚硬币,另一堆是1000-n枚硬币。如果第一堆有m个正面朝上,那么第二堆一定有20-m枚硬币正面朝上。...如果你愿意的话,可以硬币翻转过来,因为我们无法知道硬币的另一面是什么。...如果我们随机抽取20枚硬币,它们翻转过来,那么在这些被翻转过来的20枚硬币里,正面的数量应该与其他980枚硬币中的正面数量相等。...那么: Questions17 你刚买了一只股票A想通过做空股票B来对冲。你应该做空多少B股来进行最小化的对冲?假设股票A收益的方差是σ2A ,股票B收益的方差是σ2B ,它们之间的相关系数是ρ 。

    1.2K30
    领券